کاربرد مدل‌های تلفیق داده در شبیه‌سازی جریان رودخانه با استفاده از سیگنال‌های بزرگ‌ مقیاس اقلیمی، مطالعه موردی: حوزه آبخیز سد جیرفت

پیش‌بینی‌ آبدهی رودخانه در حوزه‌های آبخیز از جایگاه ویژه‌ای در مدیریت و برنامه‌ریزی منابع آب به‌منظور طراحی تاسیسات آبی، آبگیری از رودخانه‌ها، مدیریت مصرف و مواردی از این قبیل برخوردار است. در پژوهش حاضر، عملکرد برخی از مدل های تلفیق داده شامل میانگین گیری ساده، میانگین‌ گیری وزن دار و مدل شبکه عصبی مصنوعی تلفیقی در مدل‌سازی آبدهی ماهانه مورد ارزیابی و مقایسه قرار گرفته است. به همین منظور، ابتدا با استفاده از مدل‌های شبکه عصبی مصنوعی (ann)، سامانه استنتاج عصبی-فازی تطبیقی (anfis)، مدل آریما (arima) و مدل رگرسیون بردار پشتیبان (svr) به‌عنوان مدل‌های منفرد، پیش‌بینی آبدهی ماهانه در حوزه آبخیز بالادست سد جیرفت مورد بررسی قرار گرفت. سپس، مدل‌های منفرد با استفاده از متغیرهای پیش‌بینی‌ کننده منتخب، آموزش و صحت‌سنجی شده، نتایج آن ها برای استفاده در فرایند تلفیق انتخاب شد. همچنین، از سیگنال ‌های بزرگ‌ مقیاس اقلیمی شامل nao، enso و pdo در پیش‌بینی‌های هیدرولوژیک جریان رودخانه استفاده شده، عملکرد مدل‌های منفرد و تلفیقی در دو حالت با در نظر گرفتن این سیگنال‌ ها و بدون در نظر گرفتن آن‌ ها، بر اساس ارزیابی سه معیاره نش-ساتکلیف (nse)، ضریب تبیین (r2) و میانگین مربعات خطا (mse) مورد مقایسه قرار گرفته است. نتایج حاصل از این پژوهش حاکی از آن بود که رویکرد تلفیق داده دقت پیش‌بینی‌ها را تا حد قابل ملاحظه‌ای افزایش می‌دهد. علاوه بر این، مشخص شد که سیگنال‌ های بزرگ‌ مقیاس اقلیمی منجر به بهبود نتایج خصوصاً در دوره تست شده است. به ‌عنوان مثال، نتایج حاصل از مدل تلفیقی ann به همراه سیگنال های بزرگ‌ مقیاس اقلیمی نشان می‌دهد که این مدل بهترین عملکرد را در میان مدل‌های تلفیق داده دارا می باشد. همچنین، معیار nse نسبت به مدل تلفیقی ann بدون سیگنال های بزرگ‌ مقیاس در دوره آموزش 0.04 بهبود یافته، خطای mse به میزان 0.001 کاهش پیدا کرده است.

application of data fusion models in river flow simulation using signals of large-scale climate, case study: jiroft dam basin

river runoff forecasting in watersheds has a special place in the management and planning of water resources for the design of water facilities, water intake from rivers, consumption management and etc. in the present study, the performance of some data integration models including simple averaging, weighted averaging and integrated artificial neural network model in monthly discharge modeling has been evaluated and compared. for this purpose, monthly flow prediction in upstream basin of jiroft dam was examined using artificial neural network (ann) models, adaptive neural-fuzzy inference system (anfis), arima model and support vector regression (svr) model as an individual model. then, the individual models were trained and validated using selected predictor variables and their results were selected for use in the integration process. large-scale climatic signals including nao, enso and pdo are also used in hydrological forecasts of river flow and the performance of single and integrated models in two modes with and without considering these signals has been compared based on the evaluation of three criteria nash-sutcliffe (nse), coefficient of determination (r2) and mean square error (mse). results of this study indicated that the integrated approach significantly increases the accuracy of predictions. in addition, large-scale climatic signals were found to improve results, especially during the test period. for example, the results of the integrated model of artificial neural network with large climatic scale signals show that this model has the best performance among the integrated models. also, the nse criterion has improved by 0.04 in training compared to the integrated model of artificial neural network without large-scale signals and the mse error has been reduced by 0.001.